支持向量机原理及应用(DOC).docVIP

支持向量机原理及应用(DOC) 支持向量机原理及应用(DOC) 支持向量机原理及应用(DOC) 实用标准文案 支持向量机简介 摘要：支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理 基础上的，根据有限的样本信息在模型的复杂性 （即对特定训练样本的学习精度） 和学习能力（即无错误地识别任意样本的能力） 之间寻求最佳折衷， 以求获得最 好的推广能力。我们通常希望分类的过程是一个机器学习的过程。这些数据点 是 n 维实空间中的点。我们希望能够把这些点通过一个n-1 维的超平面分开。 通常这个被称为线性分类器。 有很多分类器都符合这个要求。但是我们还希望找 到分类最佳的平面， 即使得属于两个不同类的数据点间隔最大的那个面，该面亦 称为最大间隔超平面。 如果我们能够找到这个面， 那么这个分类器就称为最大间 隔分类器。 关键字： VC 理论 结构风险最小原则学习能力 1、 SVM 的产生与发展 自1995 年 Vapnik 在统计学习理论的基础上提出 SVM 作为模式识别的新方 法 之后 ， SVM 一直 倍受 关注 。 同 年， Vapnik 和 Cortes 提 出软 间隔 (soft margin)SVM ，通过引进松弛变量 i 度量数据 xi 的误分类 (分类出现错误时 i 大 于 0) ，同时在目标函数中增加一个分量用来惩罚非零松弛变量 (即代价函数 )，